Kako izvući tekst iz PDF‑ova u .NET

Kako izvući tekst iz PDF‑ova u .NET

Ovaj vodič pokriva izdvajanje teksta iz PDF stranica koristeći absorber API.

Preduslovi

Izvucite sav tekst sa stranice

TextAbsorber prikuplja sav tekst na stranici u jedan string. Kreirajte
instancu, prosledite je Page.Accept, i pročitajte rezultat iz svojstva Text.
Ovo je najjednostavniji pristup kada vam je potreban plain‑text izlaz bez
informacija o poziciji.

using var doc = Document.Open(pdfBytes);
var absorber = new TextAbsorber();
doc.Pages[1].Accept(absorber);
Console.WriteLine(absorber.Text);

Izvuci strukturirane tekstualne fragmente

Kada su vam potrebni podaci o položaju, fontu i veličini uz tekst, koristite TextFragmentAbsorber umesto toga. Svaki TextFragment izlaže svoje koordinate granice putem svojstva Position.

var absorber = new TextFragmentAbsorber();
doc.Pages[1].Accept(absorber);

foreach (var fragment in absorber.TextFragments)
{
    Console.WriteLine($"{fragment.Text} at ({fragment.Position.XIndent}, {fragment.Position.YIndent})");
}

Pretraživanje regularnim izrazom

Prosledite regex obrazac TextFragmentAbsorber da biste pronašli odgovarajući tekst preko
svih stranica. Ovo je korisno za pronalaženje telefonskih brojeva, datuma ili drugih
obrazaca strukturiranih podataka u dokumentu.

var absorber = new TextFragmentAbsorber(@"\d{3}-\d{2}-\d{4}");
doc.Pages.Accept(absorber);
foreach (var f in absorber.TextFragments)
    Console.WriteLine(f.Text);

Ključne klase

Vidi takođe

• Vodič za programere za izdvajanje teksta
• Aspose.PDF za .NET Enterprise proizvod